[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的軌跡屬主預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201910266737.0
• 申請日: 2019-04-03
• 公開（公告）號: CN110059144B
• 公開（公告）日: 2021-12-10
• 發(fā)明（設(shè)計）人: 羅緒成;李升陽;仵筱妍
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的軌跡屬主預(yù)測方法，其特征在于，包括以下步驟：

(1)、數(shù)據(jù)預(yù)處理

(1.1)、將所有用戶軌跡的歷史位置經(jīng)緯度按照時間順序統(tǒng)計，形成經(jīng)緯度集合，其中，若某一經(jīng)緯度重復(fù)出現(xiàn)，則在經(jīng)緯度集合中僅保留一次；

對經(jīng)緯度集合中的每一個經(jīng)緯度從1開始編號，給定唯一一個位置ID標(biāo)識；

(1.2)、按時間順序，用步驟(1.1)中給定的位置ID去替代用戶軌跡歷史位置經(jīng)緯度，則每個用戶軌跡用一串位置ID表示；同時，將每個用戶用唯一的整數(shù)ID進行標(biāo)識，從而用戶及用戶軌跡就可以形成形式為[用戶ID，軌跡(位置ID，…，位置ID)]的屬主軌跡；

(1.3)、根據(jù)屬主軌跡形成一個有向無權(quán)圖G＝V,E，其中，V是所有位置ID的集合，如果出現(xiàn)某個用戶從ID_i到ID_j，則ID_i，ID_j表示一條有向邊，所有這樣的邊構(gòu)成圖G的邊集E；

(2)、軌跡表示

(2.1)、以構(gòu)建的有向無權(quán)圖G作為輸入，通過Node2Vec算法學(xué)習(xí)出G中每一個位置ID的低維實值向量；

(2.2)、將步驟(1.2)中每個用戶的軌跡按照固定時間間隔進行切片，從而將每一個用戶軌跡分割成若干條位置ID序列，再用用戶ID對切割后的位置ID序列進行屬主標(biāo)識；

(2.3)、對切割后的不定長軌跡用位置ID對應(yīng)的低維實值向量來代替該位置ID，從而生成每個用戶的軌跡矩陣；

然后通過截取或填充方式，構(gòu)建每個用戶固定維度的軌跡矩陣，從而形成數(shù)據(jù)集，其中，填充的向量為所有位置ID對應(yīng)的低維 實值向量的平均值；

(3)、構(gòu)建預(yù)測模型

構(gòu)建一個四層卷積神經(jīng)網(wǎng)絡(luò)，其輸入層為固定維度的軌跡矩陣；卷積層設(shè)置三個卷積核m*embedding_size，其中，m為常數(shù)，embedding size為Node2vec輸出的低維實值向量的維度；池化層為k-max pooling，k表示卷積之后的前k個最大值；全連接層的輸出輸入至softmax函數(shù)，得到軌跡屬主的概率分布；

(4)、訓(xùn)練預(yù)測模型

(4.1)、構(gòu)建訓(xùn)練集

將數(shù)據(jù)集中部分用戶固定維度的軌跡矩陣集X和與之對應(yīng)的one-hot類別向量集Y作為訓(xùn)練集，其中X＝[Vec_x₁,Vec_x₂,...,Vec_x_n]，Vec_x_n表示第n個用戶固定維度的軌跡矩陣，Y＝[Vec_t₁,Vec_t₂,...,Vec_t_n]，Vec_t_n表示第n個屬主對應(yīng)的one-hot類別向量，若第n個位置為1，則其余位置全為0；

(4.2)、初始化預(yù)測模型

初始化卷積層中每個卷積核的權(quán)重矩陣W_p的值為正態(tài)正態(tài)分布，其均值為0，方差為0.1；同時初始化卷積層中每個卷積核的偏置向量B_p為0.1，每個偏置向量的元素個數(shù)即為對應(yīng)層神經(jīng)元的個數(shù)；初始化全連接層的權(quán)重矩陣為W，其維度為[batch_size*k*卷積核個數(shù)，類別數(shù)]，同時初始化全連接層的偏置向量B值為0.1，元素個數(shù)為類別數(shù)；其中，batch_size為常數(shù)，p＝1,2,3，p表示卷積層中第幾個卷積核；

(4.3)將訓(xùn)練集輸入至初始化后的預(yù)測模型中，采用Adam算法優(yōu)化損失函數(shù)，然后利用誤差反向傳播BP算法將誤差傳向前一層，更新卷積層的權(quán)重矩陣W_p、偏置向量B_p以及全連接層權(quán)重矩陣W、偏置向量B，經(jīng)過若干次迭代后，得到收斂的神經(jīng)網(wǎng)絡(luò)模型，從而得到訓(xùn)練完成的預(yù)測模型；

(5)、軌跡屬主預(yù)測

將待檢測的用戶位置經(jīng)緯度按照步驟(1)、(2)所述方法，構(gòu)建出該用戶固定維度的軌跡矩陣，再將構(gòu)建的軌跡矩陣輸入到已經(jīng)訓(xùn)練好的預(yù)測模型中，得到該軌跡對應(yīng)所有屬主類別的概率分布，概率分布中最大值的索引則為該軌跡對應(yīng)的屬主編號。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的軌跡屬主預(yù)測方法，其特征在于，所述的Adam算法優(yōu)化的損失函數(shù)如下：

其中，N＝batch_size，y_j為Vec_t_j中的所有元素，a_j為softmax函數(shù)的輸出值。